GAN 的稀疏感知归一化
本文提出一种名为谱归一化的新颖权重归一化技术,用于稳定生成对抗网络的鉴别器训练。该方法计算轻便,易于应用于现有的实现,并通过在 CIFAR10、STL-10 和 ILSVRC2012 数据集上的实验验证了其有效性,确认谱归一化 GANs 能够生成更好或同质量的图像相对于之前的训练稳定技术。
Feb, 2018
本文提出了一种新的归一化方法 —— 梯度归一化(GN),通过在鉴别器函数上施加硬 1-Lipschitz 约束,从而增加鉴别能力,解决了生成对抗网络中尖锐梯度空间引起的训练不稳定性问题,并在四个数据集上进行了广泛实验,证明了使用梯度归一化训练的 GAN 模型在 Frechet Inception Distance 和 Inception Score 方面优于现有方法。
Sep, 2021
本文提出了一种基于一致性正则化的简单、有效的 GAN 训练稳定器,通过在 GAN 鉴别器中引入数据扩充并惩罚鉴别器对这些扩充的敏感度,以在不增加显着计算开销的情况下,为无条件和有条件图像生成提供最佳结果。
Oct, 2019
本论文提出了一种新的有效方法 —— 谱规则化(SR-GANs)来解决生成对抗网络(GANs)中的模式崩溃问题,并通过理论分析和大量实验结果展示了 SR-GANs 的有效性与优越性。
Aug, 2019
本文系统描述了 GAN 训练的不同的视角和正则化与归一化的不同目标,提出了更细致的分类法,并比较了现有的主流方法在不同数据集上的表现,同时探究了这些正则化与归一化方法在最新 GAN 中的应用以及未来的研究方向。
Aug, 2020
该论文提出了使用 Sparsity-constrained Generative Adversarial Network 的异常检测框架进行疾病筛查,该框架在只有健康数据的情况下进行监督学习,并通过稀疏性正则化网络进行限制。实验表明,该方法在疾病筛查方面优于现有的方法。
Nov, 2019
本研究旨在通过使用谱规范化方法,为深度神经网络在对抗性环境下的训练提供一种有效的正则化策略,以解决其在输入微小的对抗性扰动下缺乏鲁棒性的问题。同时,我们将边界损失延伸到对抗性环境,并限制了多个梯度攻击方案下深度神经网络的泛化误差。
Nov, 2018